Gruppierungsanalyse (Spatial Statistics)

Zusammenfassung

Gruppiert Features anhand von Feature-Attributen und optionalen räumlichen oder zeitlichen Einschränkungen.

Ältere Versionen:

Dies ist ein veraltetes Werkzeug. Der Algorithmus, der diesem Werkzeug zugrunde liegt, wurde verbessert. Außerdem wurden diese Methoden um neue Funktionalitäten erweitert. Um die neuen Features und Methoden zu vereinfachen, wurde dieses Werkzeug durch zwei neue Werkzeuge ersetzt. Verwenden Sie das Werkzeug Räumlich eingeschränkte multivariate Cluster-Bildung, wenn Sie räumlich eingeschränkte Gruppen erstellen möchten. Verwenden Sie das Werkzeug Multivariate Cluster-Bildung, um Gruppen ohne räumliche Einschränkung zu erstellen.

Abbildung

Grouping Analysis diagram

Verwendung

    Ältere Versionen:

    Der Algorithmus hinter dem Werkzeug Gruppierungsanalyse wurde verbessert. Außerdem wurden diese Methoden bei ArcGIS Pro 2.1 um neue Funktionalität erweitert. Um die neuen Features und Methoden zu vereinfachen, wurden zwei neue Werkzeuge als Ersatz für das Werkzeug Gruppierungsanalyse erstellt. Verwenden Sie das Werkzeug Räumlich eingeschränkte multivariate Cluster-Bildung, wenn Sie räumlich angrenzende Gruppen erstellen möchten. Verwenden Sie das Werkzeug Multivariate Cluster-Bildung, um Gruppen ohne räumliche Einschränkung zu erstellen.

  • Mit diesem Werkzeug wird eine Ausgabe-Feature-Class mit den in der Analyse verwendeten Feldern sowie einem neuen ganzzahligen Feld mit der Bezeichnung SS_GROUP erstellt. Das Standard-Rendering basiert auf dem Feld SS_GROUP und zeigt an, in welche Gruppen die einzelnen Features unterteilt sind. Wenn Sie drei zu erstellende Gruppen angeben, enthält jeder Datensatz im Feld SS_GROUP eine 1, 2 oder 3. Wenn Keine räumliche Einschränkung für den Parameter Räumliche Einschränkungen ausgewählt wird, enthält die Ausgabe-Feature-Class ebenfalls ein neues binäres Feld namens SS_SEED. Das Feld SS_SEED gibt an, welche Features als Startpunkte für die Bildung von Gruppen herangezogen wurden. Die Anzahl der Werte ungleich 0 im Feld SS_SEED entspricht dem Wert, den Sie für den Parameter Gruppenanzahl eingegeben haben.

  • Mit diesem Werkzeug kann optional eine PDF-Berichtsdatei erstellt werden, wenn Sie einen Pfad für den Parameter Ausgabeberichtsdatei angeben. Dieser Bericht enthält verschiedene Tabellen und Schemas, mit deren Hilfe Sie die Eigenschaften der identifizierten Gruppen einfacher nachvollziehen können. Der Pfad zu dem PDF-Bericht wird in die Meldungen einbezogen, in denen die Parameter für die Werkzeugausführung zusammengefasst sind. Durch Klicken auf diesen Pfad wird die Berichtsdatei geöffnet. Sie können auf die Meldungen zugreifen, indem Sie mit der Maus auf die Fortschrittsleiste zeigen, auf die Pop-out-Schaltfläche klicken oder den Abschnitt "Meldungen" im Bereich Geoverarbeitung erweitern. Sie können auch über den Geoverarbeitungsverlauf auf die Meldungen für eine zuvor ausgeführte Gruppierungsanalyse zugreifen.

    Hinweis:

    Die Erstellung der Berichtsdatei kann sehr viel Zeit in Anspruch nehmen. Während die Gruppierungsanalyse die Ausgabe-Feature-Class erstellt, aus der die Gruppenzugehörigkeit hervorgeht, wird die PDF-Berichtsdatei daher nicht erstellt, wenn Sie mehr als 15 Gruppen oder mehr als 15 Variablen festgelegt haben.

  • Wenn die Eingabe-Feature-Class nicht projiziert wird (d. h., wenn Koordinaten in Grad, Minuten und Sekunden angegeben werden) oder als Ausgabe-Koordinatensystem ein geographisches Koordinatensystem festgelegt wurde, werden Entfernungen mit Sehnenmesswerten berechnet. Sehnenentfernungsmesswerte werden verwendet, weil sie schnell berechnet werden können und ausgezeichnete Schätzung von echten geodätischen Entfernungen zulassen, zumindest für Punkte innerhalb von 30 Grad voneinander. Sehnenentfernungen basieren auf einem abgeplatteten Sphäroid. Im Fall von zwei beliebigen Punkten auf der Erdoberfläche ist die Sehnenentfernung zwischen diesen die Länge einer Linie, die durch die dreidimensionale Erde führt, um diese beiden Punkte zu verbinden. Sehnenentfernungen werden in Metern angegeben.

    Vorsicht:

    Achten Sie darauf, Ihre Daten zu projizieren, wenn sich der Untersuchungsbereich über 30 Grad hinaus erstreckt. Sehnenentfernungen erlauben keine sichere Schätzung von geodätischen Entfernungen über 30 Grad hinaus.

  • Mit dem Parameter Eindeutiges ID-Feld können Sie Datensätze der Ausgabe-Feature-Class erneut mit Daten der ursprünglichen Eingabe-Feature-Class verknüpfen. Infolgedessen müssen die Werte für den Parameter Eindeutiges ID-Feld für jedes Feature eindeutig sein, und sie sollten in einem permanenten Feld enthalten sein, das bei der Feature-Class verbleibt. Falls Sie in Ihrem Dataset nicht über den Parameter Eindeutiges ID-Feld verfügen, können Sie diesen auf einfache Weise erstellen, indem Sie der Feature-Class-Tabelle ein neues ganzzahliges Feld hinzufügen und die Feldwerte so berechnen, dass sie dem Feld "FID/OID" entsprechen. Sie können das Feld "FID/OID" nicht direkt für den Parameter Eindeutiges ID-Feld verwenden.

  • Der Parameter Analysefelder muss numerisch sein und verschiedene Werte enthalten. Felder ohne Variation (d. h. Felder, die in jedem Datensatz denselben Wert aufweisen) werden in der Analyse nicht berücksichtigt, jedoch in die Ausgabe-Feature-Class einbezogen. Kategorische Felder können mit dem Werkzeug Gruppierungsanalyse verwendet werden, sofern sie als Dummy-Variablen dargestellt werden (Wert 1 für alle Features einer Kategorie und Wert 0 für alle anderen Features).

  • Mit dem Werkzeug Gruppierungsanalyse können Gruppen mit oder ohne räumliche bzw. zeitliche Einschränkungen erstellt werden. Die Vorgabe von Kontiguitäts- oder anderer Proximitätsanforderungen hinsichtlich der zu erstellenden Gruppen ist nicht bei allen Anwendungen erwünscht. Setzen Sie in diesem Fall den Parameter Räumliche Einschränkungen auf Keine räumliche Einschränkung.

  • Für bestimmte Analysen wiederum benötigen Sie räumlich angrenzende Gruppen. Die Kontiguitätsoptionen sind für Polygon-Feature-Classes aktiviert und geben an, dass Features nur dann derselben Gruppe angehören können, wenn sie über eine gemeinsame Kante (Nur Kontiguitätskanten) oder entweder über eine gemeinsame Kante oder einen gemeinsamen Stützpunkt (Kontiguitätsecken und -kanten) mit einem anderen Mitglied der Gruppe verfügen.

  • Die Optionen Delaunay-Triangulation und Nächste Nachbarn (K) sind für Punkt- oder Polygon-Features geeignet, wenn Sie sicherstellen möchten, dass alle Gruppenmitglieder nahe beieinander liegen. Durch diese Optionen wird festgelegt, dass ein Feature nur dann in eine Gruppe aufgenommen wird, wenn mindestens ein anderes Feature ein natürlicher Nachbar (Delaunay-Triangulation) oder der nächste Nachbar (K) ist. K entspricht der Anzahl der zu berücksichtigenden Nachbarn und wird über den Parameter Anzahl der Nachbarn festgelegt.

  • Um Gruppen zu erstellen, die sowohl räumliche als auch zeitliche Einschränkungen aufweisen, erstellen Sie zunächst mithilfe des Werkzeugs Räumliche Gewichtungsmatrix erstellen eine Datei mit räumlicher Gewichtungsmatrix (.swm), in der die Raum-Zeit-Beziehungen zwischen den Features definiert werden. Führen Sie anschließend eine Gruppierungsanalyse durch, setzen Sie dazu den Parameter Räumliche Einschränkungen auf Räumliche Gewichtungen aus Datei abrufen und legen Sie für den Parameter Datei mit räumlicher Gewichtungsmatrix die erstellte SWM-Datei fest.

  • Zum Erstellen dreidimensionaler Gruppen, bei denen die Z-Werte Ihrer Features berücksichtigt werden, verwenden Sie zunächst das Werkzeug Räumliche Gewichtungsmatrix erstellen mit dem aktivierten Parameter Z-Werte verwenden. Dadurch erstellen Sie eine Datei mit räumlicher Gewichtungsmatrix (.swm), in der die 3D-Beziehungen der Features definiert sind. Führen Sie anschließend eine Gruppierungsanalyse durch, setzen Sie dazu den Parameter Räumliche Einschränkungen auf Räumliche Gewichtungen aus Datei abrufen, und legen Sie für den Parameter Datei mit räumlicher Gewichtungsmatrix die erstellte SWM-Datei fest.

  • Sie können zusätzliche räumliche Einschränkungen vorgeben, wie z. B. eine festgelegte Entfernung, indem Sie mit dem Werkzeug Räumliche Gewichtungsmatrix erstellen zuerst eine SWM-Datei erstellen und anschließend den Pfad zu dieser Datei im Parameter Datei mit räumlicher Gewichtungsmatrix angeben.

    Hinweis:

    Sie können zwar eine Datei mit einer räumlichen Gewichtungsmatrix (SWM-Datei) erstellen, um räumliche Einschränkungen zu definieren, eine tatsächliche Gewichtung kommt jedoch nicht zur Anwendung. Die SWM legt fest, welche Features angrenzen oder sich in der Nähe befinden. Durch die Vorgabe räumlicher Einschränkungen wird festgelegt, welche Features Mitglieder derselben Gruppe sein können. Wenn Sie beispielsweise die Option Nur Kontiguitätskanten auswählen, verfügen alle Features der Gruppe über mindestens eine gemeinsame Kante mit einem anderen Feature der Gruppe. Dadurch wird sichergestellt, dass die sich ergebenden Gruppen räumlich zusammenhängen.

  • Durch Festlegen einer räumlichen Einschränkung erhalten Sie kompakte, angrenzende oder sich in der Nähe befindliche Gruppen. Durch Aufnehmen räumlicher Variablen in die Liste der Analysefelder können diese Gruppenattribute ebenfalls konfiguriert werden. Beispiele für räumliche Variablen sind Entfernung zu Autobahnauf- und -abfahrten, Zugang zu freien Stellen, Nähe zu Einkaufsmöglichkeiten, Verbindungsmessungen und gerade Koordinaten (X, Y). Durch Einschließen von Variablen, die eine Uhrzeit, einen Wochentag oder eine zeitliche Entfernung darstellen, kann die zeitliche Kompaktheit unter den Gruppenmitgliedern optimiert werden.

  • Existiert für Ihre Features ein bestimmtes räumliches Muster (z. B. drei separate, räumlich getrennte Cluster) kann dies mit einer höheren Komplexität des räumlich eingeschränkten Gruppierungsalgorithmus einhergehen. Der Gruppierungsalgorithmus überprüft daher zuerst, ob entkoppelte Gruppen vorhanden sind. Ist die Anzahl der entkoppelten Gruppen größer als die angegebene Gruppenanzahl, kann das Werkzeug keine Auflösung durchführen und es wird eine entsprechende Fehlermeldung angezeigt. Entspricht die Anzahl der entkoppelten Gruppen genau der angegebenen Gruppenanzahl, werden die Gruppenergebnisse allein von der räumlichen Konfiguration der Features bestimmt, wie in (A) dargestellt. Ist die angegebene Gruppenanzahl größer als die Anzahl der entkoppelten Gruppen, beginnt die Gruppierung mit den bereits bestimmten entkoppelten Gruppen. Sind beispielsweise drei entkoppelte Gruppen vorhanden und ist die angegebene Gruppenanzahl gleich 4, wird eine der drei Gruppen geteilt, um die vierte Gruppe zu bilden, wie in (B) dargestellt.

    Getrennte Gruppen

  • In bestimmten Fällen ist das Werkzeug Gruppierungsanalyse nicht in der Lage, die vorgegebenen räumlichen Einschränkungen zu erfüllen, und bestimmte Features werden in keiner Gruppe aufgenommen (der Wert SS_GROUP ist -9999 und wird nicht gefüllt dargestellt). Dies ist der Fall, wenn Features vorhanden sind, die keine Nachbarn haben. Verwenden Sie die Option Nächste Nachbarn (K), um diese Situation zu vermeiden und sicherzustellen, dass alle Features über Nachbarn verfügen. Durch Eingeben eines höheren Wertes für den Parameter Anzahl der Nachbarn können Probleme in Verbindung mit entkoppelten Gruppen behoben werden.

  • Zwar ist man geneigt, möglichst viele Analysefelder aufzunehmen, allerdings hat es sich bei diesem Werkzeug bewährt, zunächst mit einer einzigen Variablen zu beginnen. Sind weniger Analysefelder vorhanden, ist es erheblich einfacher, die Ergebnisse zu interpretieren. Ebenso können die Variablen, die sich am besten als Diskriminatoren eignen, einfacher bestimmt werden, wenn weniger Felder vorhanden sind.

  • Wenn Sie die Option Keine räumliche Einschränkung für den Parameter Räumliche Einschränkungen auswählen, stehen Ihnen drei Optionen für die Festlegung der Initialisierungsmethode zur Verfügung: Ursprüngliche Standorte bestimmen, Ursprungswerte aus Feld abrufen und Zufällige Ursprungswerte verwenden. Ursprungswerte bezeichnen diejenigen Features, aus denen einzelne Gruppen gebildet werden. Wenn Sie beispielsweise die Zahl 3 für den Parameter Gruppenanzahl eingeben, startet die Analyse mit drei Ursprungswert-Features. Durch die Standardoption Ursprüngliche Standorte bestimmen wird der erste Ursprungswert nach dem Zufallsprinzip ausgewählt und sichergestellt, dass die danach ausgewählten Ursprungswerte Features darstellen, die innerhalb des Datenbereichs weit voneinander entfernt sind. Durch Auswählen anfänglicher Ursprünge, die unterschiedliche Abschnitte innerhalb des Datenbereichs erfassen, erhalten Sie eine bessere Performance. In manchen Fällen stehen bestimmte Features für besondere Eigenschaften, die Sie durch unterschiedliche Gruppen darstellen möchten. Erstellen Sie in diesem Fall ein Ursprungswertfeld, um diese besonderen Features zu identifizieren. Dieses Feld sollte für alle Features, außer den anfänglichen Ursprungs-Features, Nullen aufweisen. Geben Sie für die anfänglichen Ursprungs-Features den Wert 1 ein. Wählen Sie anschließend den Wert Ursprungswerte aus Feld abrufen für den Parameter Initialisierungsmethode aus. Wenn Sie eine Art Empfindlichkeitsanalyse durchführen möchten, um zu bestimmen, welche Features sich immer in derselben Gruppe befinden, können Sie den Wert Zufällige Ursprungswerte verwenden für den Parameter Initialisierungsmethode festlegen. Bei Auswahl dieser Option werden alle Ursprungswert-Features nach dem Zufallsprinzip ausgewählt.

    Hinweis:

    Wenn zufällige Ursprünge verwendet werden, können Sie einen Ursprung auswählen, um den Zufallszahlengenerator durch die Umgebungseinstellung "Zufallszahlengenerator" zu initiieren. Der von diesem Werkzeug verwendete Zufallszahlengenerator ist jedoch immer Mersenne Twister.

  • Alle Werte vom Typ 1 im Initialisierungsfeld werden als Seed interpretiert. Ist die Anzahl der Ursprungswert-Features höher als die Gruppenanzahl, werden die Ursprungswert-Features nach dem Zufallsprinzip aus den vom Initialisierungsfeld identifizierten Features ausgewählt. Ist die Anzahl der Ursprungswert-Features niedriger als die angegebene Gruppenanzahl, werden die zusätzlichen Ursprungswert-Features so ausgewählt, dass sie (innerhalb des Datenbereichs) weit von den vom Initialisierungsfeld identifizierten Features entfernt sind.

  • Manchmal ist die Gruppenanzahl, die sich für Ihre Daten am besten eignet, bekannt. Wenn dem nicht so ist, müssen Sie möglicherweise verschiedene Werte für die Gruppenanzahl ausprobieren, um herauszufinden, welche Werte die beste Gruppendifferenzierung ermöglichen. Wenn Sie den Parameter Optimale Gruppenanzahl überprüfen aktivieren, wird eine Pseudo-F-Statistik für Lösungen mit 2 bis 15 Gruppen berechnet. Wenn Sie für die Auswahl der Gruppenanzahl kein anderes Kriterium heranziehen können, verwenden Sie eine Zahl, die mit einem der höchsten Werte der Pseudo-F-Statistik verknüpft ist. Die höchsten Werte der Pseudo-F-Statistik weisen auf Lösungen hin, mit denen bei Maximierung sowohl innerhalb von Gruppenähnlichkeiten, als auch zwischen Gruppenunterschieden, eine optimale Performance erzielt werden kann. Wenn Sie eine optionale Ausgabeberichtsdatei angeben, enthält der PDF-Bericht ein Schema, aus dem die Werte der F-Statistik für Lösungen mit 2 bis 15 Gruppen hervorgehen.

  • Unabhängig von der angegebenen Gruppenanzahl wird das Werkzeug beendet, wenn die Unterteilung in zusätzliche Gruppen beliebig wird. Angenommen, Ihre Daten bestehen beispielsweise aus drei räumlich geclusterten Polygonen und einem Analysefeld. Wenn alle Features in einem Cluster denselben Analysefeldwert aufweisen, kann jedes der einzelnen Cluster beliebig unterteilt werden, nachdem drei Gruppen erstellt wurden. Wenn in dieser Situation mehr als drei Gruppen angegeben werden, erstellt das Werkzeug weiterhin nur drei Gruppen. Solange mindestens eines der Analysefelder in einer Gruppe einige unterschiedliche Werte aufweist, kann die Unterteilung in weitere Gruppen fortgesetzt werden.

    Es werden keine Gruppen mehr erstellt
    Gruppen werden nicht unterteilt, wenn die Analysefeldwerte keine Variation aufweisen.

  • Wenn Sie eine räumliche oder eine räumlich-zeitliche Einschränkung in Ihre Analyse aufnehmen, sind die Pseudo-F-Statistiken vergleichbar (vorausgesetzt die Eingabe-Features und die Analysefelder bleiben unverändert). Folglich können Sie mithilfe der Werte der F-Statistik nicht nur die optimale Gruppenanzahl ermitteln, sondern auch die effektivste Räumliche Einschränkung, Entfernungsmethode und Anzahl der Nachbarn festlegen.

  • Der k-Means-Algorithmus, der für die Unterteilung der Features in Gruppen verwendet wird, wenn Keine räumliche Einschränkung für den Parameter Räumliche Einschränkungen und Ursprüngliche Standorte bestimmen oder Zufällige Ursprungswerte verwenden als Initialisierungsmethode ausgewählt sind, basiert auf Heuristik und kann bei jeder Ausführung des Werkzeugs zu einem anderen Ergebnis führen (auch wenn dieselben Daten und Werkzeugparameter verwendet werden). Der Grund dafür ist, dass bei der Ermittlung der anfänglichen Ursprungswert-Features für die Bildung von Gruppen eine Zufallskomponente zum Einsatz kommt.

  • Wird die räumliche Einschränkung vorgegeben, gibt es keine Zufallskomponente im Algorithmus und es kann eine einzelne Pseudo-F-Statistik für die Gruppen 2 bis 15 berechnet werden. Die höchsten Werte der F-Statistik können anschließend zur Bestimmung der optimalen Gruppenanzahl für Ihre Analyse herangezogen werden. Da es sich bei der Option Keine räumliche Einschränkung jedoch um eine heuristische Lösung handelt, ist die Bestimmung der optimalen Gruppenanzahl etwas aufwändiger. Aufgrund unterschiedlicher anfänglicher Ursprungswert-Features kann die F-Statistik bei jeder Ausführung des Werkzeugs anders ausfallen. Existiert für Ihre Daten allerdings ein bestimmtes Muster, sind die Lösungen der einzelnen Ausführungen etwas konsistenter. Um die optimale Gruppenanzahl einfacher ermitteln zu können, wenn die Option Keine räumliche Einschränkung aktiviert ist, löst das Werkzeug die Gruppierungsanalyse zehnfach für 2, 3, 4 und bis zu 15 Gruppen auf. Die Informationen zur Verteilung dieser zehn Lösungen werden Ihnen anschließend angezeigt (Minimum, Maximum, Mittelwert und Medianwert), damit Sie die optimale Gruppenanzahl für Ihre Analyse einfacher ermitteln können.

  • Das Werkzeug Gruppierungsanalyse gibt drei abgeleitete Ausgabewerte für die mögliche Verwendung in Modellen und Skripten aus. Dabei handelt es sich um die Pseudo-F-Statistik für die Gruppenanzahl (Output_FStat), den höchsten Wert der Pseudo-F-Statistik für 2 bis 15 Gruppen (Max_FStat) und die Anzahl der Gruppen, die mit dem höchsten Wert der Pseudo-F-Statistik verknüpft sind (Max_FStat_Group). Wenn Sie die Option Optimale Gruppenanzahl überprüfen nicht verwenden, werden alle abgeleiteten Ausgabevariablen auf None gesetzt.

  • Die einem Feature-Set zugewiesene Gruppenanzahl kann zwischen den einzelnen Ausführungen variieren. Angenommen, Sie unterteilen Features basierend auf einer Einkommensvariablen in zwei Gruppen. Wenn Sie die Analyse das erste Mal ausführen, kann es sein, dass die Features für hohes Einkommen mit Gruppe 2 und die Features für niedriges Einkommen mit Gruppe 1 bezeichnet werden. Wenn Sie dieselbe Analyse ein weiteres Mal ausführen, werden die Features für hohes Einkommen möglicherweise mit Gruppe 1 bezeichnet. Eventuell stellen Sie fest, dass einige Features für mittleres Einkommen einer anderen Gruppe angehören als zuvor, wenn die Option Keine räumliche Einschränkung festgelegt ist.

  • Zwar haben Sie die Möglichkeit, eine sehr große Anzahl unterschiedlicher Gruppen zu erstellen, allerdings werden Sie die Features in den meisten Fällen wahrscheinlich nur in wenige Gruppen aufteilen. Da es umso schwieriger wird, Schemas und Karten zu interpretieren, je mehr Gruppen vorhanden sind, wird kein Bericht erstellt, wenn Sie einen Wert von über 15 für den Parameter Gruppenanzahl eingeben oder mehr als 15 Analysefelder auswählen. Sie können die Obergrenze für die Gruppenanzahl jedoch erhöhen.

    Detailinformationen:

    Da Sie über den Python-Quellcode für das Werkzeug Gruppierungsanalyse verfügen, können Sie die Begrenzung auf 15 Variablen oder 15 Gruppen für die Berichterstellung bei Bedarf überschreiben. Die Obergrenze wird durch je zwei Variablen in der Skriptdatei Partition.py und im Validierungscode des Werkszeugs in der Toolbox "Spatial Statistics" bestimmt:

    maxNumGroups = 15
    maxNumVars = 15

  • Weitere Informationen zur Ausgabeberichtsdatei finden Sie unter "Weitere Informationen zur Funktionsweise der Gruppierungsanalyse".

Syntax

GroupingAnalysis(Input_Features, Unique_ID_Field, Output_Feature_Class, Number_of_Groups, Analysis_Fields, Spatial_Constraints, {Distance_Method}, {Number_of_Neighbors}, {Weights_Matrix_File}, {Initialization_Method}, {Initialization_Field}, {Output_Report_File}, {Evaluate_Optimal_Number_of_Groups})
ParameterErklärungDatentyp
Input_Features

Die Feature-Class bzw. der Feature-Layer, für die/den Sie Gruppen erstellen möchten.

Feature Layer
Unique_ID_Field

Ein Ganzzahlfeld, das für jedes Feature in der Eingabe-Feature-Class einen anderen Wert enthält. Falls kein Feld für eindeutige IDs vorhanden ist, können Sie dieses erstellen, indem Sie der Feature-Class-Tabelle ein ganzzahliges Feld hinzufügen. Berechnen Sie die Feldwerte so, dass sie dem Feld FID oder OBJECTID entsprechen.

Field
Output_Feature_Class

Die neu erstellte Ausgabe-Feature-Class mit allen Features, den angegebenen Analysefeldern und einem Feld, das angibt, zu welcher Gruppe die einzelnen Features gehören.

Feature Class
Number_of_Groups

Die Anzahl der zu erstellenden Gruppen. Der Parameter Ausgabebericht wird deaktiviert, sobald mehr als 15 Gruppen angegeben werden.

Long
Analysis_Fields
[analysis_field,...]

Eine Liste mit Feldern, mit deren Hilfe Sie die Gruppen voneinander abgrenzen können. Der Parameter Ausgabebericht wird deaktiviert, sobald mehr als 15 Felder angegeben werden.

Field
Spatial_Constraints

Gibt an, ob und inwiefern sich durch räumliche Beziehungen zwischen den Features Einschränkungen für die erstellten Gruppen ergeben.

  • CONTIGUITY_EDGES_ONLYGruppen enthalten angrenzende Polygon-Features. Nur Polygone, die eine gemeinsame Kante aufweisen, können derselben Gruppe angehören.
  • CONTIGUITY_EDGES_CORNERSGruppen enthalten angrenzende Polygon-Features. Nur Polygone, die eine gemeinsame Kante oder einen gemeinsamen Stützpunkt aufweisen, können derselben Gruppe angehören.
  • DELAUNAY_TRIANGULATIONFeatures derselben Gruppe haben mindestens einen gemeinsamen neutralen Nachbarn mit einem anderen Feature der Gruppe. Beziehungen mit natürlichen Nachbarn basieren auf der Delaunay-Triangulation. Bei der Delaunay-Triangulation wird konzeptionell, ausgehend von den Schwerpunkten der Features, ein nicht überlappendes Netz aus Dreiecken erstellt. Jedes Feature entspricht einem Dreiecksknoten. Knoten, die über eine gemeinsame Kante verfügen, gelten als Nachbarn.
  • K_NEAREST_NEIGHBORSFeatures derselben Gruppe liegen dicht aneinander, und jedes Feature ist Nachbar von mindestens einem anderen Feature der Gruppe. Nachbarbeziehungen basieren auf den nächsten K-Features, wobei der ganzzahlige Wert K für den Parameter Number_of_Neighbors anzugeben ist.
  • GET_SPATIAL_WEIGHTS_FROM_FILERäumliche und optional auch zeitliche Beziehungen werden in einer räumlichen Gewichtungsdatei (.swm) definiert. Erstellen Sie mithilfe des Werkzeugs Räumliche Gewichtungsmatrix erstellen oder Räumliche Gewichtung des Netzwerks generieren eine Datei mit räumlicher Gewichtungsmatrix.
  • NO_SPATIAL_CONSTRAINTDie Features werden ausschließlich basierend auf der Proximität im Datenbereich gruppiert. Die Features müssen sich weder räumlich noch zeitlich nah sein, um derselben Gruppe anzugehören.
String
Distance_Method
(optional)

Gibt an, wie Entfernungen von den einzelnen Features zu benachbarten Features berechnet werden.

  • EUCLIDEANDie geradlinige Entfernung zwischen zwei Punkten (die als Luftlinie gemessene Entfernung).
  • MANHATTANDie Entfernung zwischen zwei Punkten, die entlang von rechtwinkligen Achsen gemessen werden (Gebäudeblock). Für die Berechnung werden die (absoluten) Differenzen zwischen den X- und Y-Koordinaten berechnet.
String
Number_of_Neighbors
(optional)

Dieser Parameter kann angegeben werden, wenn der Parameter Spatial_Constraints auf K_NEAREST_NEIGHBORS oder auf eine der Kontiguitätsmethoden (CONTIGUITY_EDGES_ONLY oder CONTIGUITY_EDGES_CORNERS) eingestellt ist. Die Anzahl der Nachbarn ist standardmäßig 8 und darf für K_NEAREST_NEIGHBORS nicht kleiner sein als 2. Dieser Wert entspricht genau der Anzahl der bei der Erstellung von Gruppen zu berücksichtigenden Kandidaten für den nächsten Nachbarn. Ein Feature wird nur dann in eine Gruppe aufgenommen, wenn eines der anderen Features der Gruppe ein nächster Nachbar (K) ist. Der Standardwert für CONTIGUITY_EDGES_ONLY und CONTIGUITY_EDGES_CORNERS lautet 0. Bei den Kontiguitätsmethoden entspricht dieser Wert genau der Mindestanzahl der zu berücksichtigenden Kandidaten. Zudem basieren nahe gelegene Nachbarn für Features mit einer geringeren Number_of_Neighbors als angegeben auf der Nachbarschaft von Feature-Schwerpunkten.

Long
Weights_Matrix_File
(optional)

Der Pfad zu einer Datei, die räumliche Gewichtungen enthält, mit denen die räumlichen Beziehungen zwischen Features definiert werden.

File
Initialization_Method
(optional)

Gibt an, wie anfängliche Ursprungswerte ermittelt werden, wenn der Parameter Spatial_Constraint auf NO_SPATIAL_CONSTRAINT gesetzt ist. Ursprungswerte werden für die Bildung von Gruppen verwendet. Wenn Sie beispielsweise angeben, dass drei Gruppen erstellt werden sollen, beginnt die Analyse mit drei Ursprungswerten.

  • FIND_SEED_LOCATIONSUrsprungswert-Features werden ausgewählt, um die Performance zu optimieren.
  • GET_SEEDS_FROM_FIELDEinträge ungleich 0 im Initialisierungsfeld werden als Startpunkte für die Bildung der Gruppen herangezogen.
  • USE_RANDOM_SEEDSAnfängliche Ursprungs-Features werden nach dem Zufallsprinzip ausgewählt.
String
Initialization_Field
(optional)

Das numerische Feld, durch das Ursprungs-Features identifiziert werden. Features, die in diesem Feld den Wert 1 aufweisen, werden für die Bildung von Gruppen herangezogen.

Field
Output_Report_File
(optional)

Der vollständige Pfad für die zu erstellende PDF-Berichtsdatei mit der Erweiterung .pdf, die eine Zusammenfassung der Gruppeneigenschaften enthält. Der Bericht umfasst eine Reihe von Schemas, mit deren Hilfe Sie die Eigenschaften der einzelnen Gruppen besser vergleichen können. Die Erstellung der Berichtsdatei kann sehr viel Zeit in Anspruch nehmen.

File
Evaluate_Optimal_Number_of_Groups
(optional)
  • EVALUATEGruppierungen von 2 bis 15 werden überprüft.
  • DO_NOT_EVALUATEDie Gruppenanzahl wird nicht überprüft. Dies ist die Standardeinstellung.
Boolean

Abgeleitete Ausgabe

NameErklärungDatentyp
Output_FStat

Max_FStat_Group
Max_FStat

Codebeispiel

GroupingAnalysis – Beispiel 1 (Python-Fenster)

Das folgende Skript veranschaulicht die Verwendung des Werkzeugs GroupingAnalysis im Python-Fenster.

import arcpy
import arcpy.stats as SS
arcpy.env.workspace = r"C:\GA"
SS.GroupingAnalysis("Dist_Vandalism.shp", "TARGET_FID", "outGSF.shp", "4",
                    "Join_Count;TOTPOP_CY;VACANT_CY;UNEMP_CY",
                    "NO_SPATIAL_CONSRAINT", "EUCLIDEAN", "", "", "FIND_SEED_LOCATIONS", "",
                    "outGSF.pdf", "DO_NOT_EVALUATE")
GroupingAnalysis – Beispiel 2 (eigenständiges Skript)

Das folgende eigenständige Python-Skript veranschaulicht, wie Sie das Werkzeug GroupingAnalysis verwenden.

# Grouping Analysis of Vandalism data in a metropolitan area
# using the Grouping Analysis Tool
# Import system modules
import arcpy, os
import arcpy.stats as SS
# Set geoprocessor object property to overwrite existing output, by default
arcpy.gp.overwriteOutput = True
try:
    # Set the current workspace (to avoid having to specify the full path to
    # the feature classes each time)
    arcpy.env.workspace = r"C:\GA"
    # Join the 911 Call Point feature class to the Block Group Polygon feature class
    # Process: Spatial Join
    fieldMappings = arcpy.FieldMappings()
    fieldMappings.addTable("ReportingDistricts.shp")
    fieldMappings.addTable("Vandalism2006.shp")
    sj = arcpy.SpatialJoin_analysis("ReportingDistricts.shp", "Vandalism2006.shp", "Dist_Vand.shp",
                               "JOIN_ONE_TO_ONE",
                               "KEEP_ALL",
                               fieldMappings,
                               "COMPLETELY_CONTAINS", "", "")
    
    # Use Grouping Analysis tool to create groups based on different variables or analysis fields
    # Process: Group Similar Features  
    ga = SS.GroupingAnalysis("Dist_Vand.shp", "TARGET_FID", "outGSF.shp", "4",
                                       "Join_Count;TOTPOP_CY;VACANT_CY;UNEMP_CY",
                                       "NO_SPATIAL_CONSRAINT", "EUCLIDEAN", "", "", "FIND_SEED_LOCATIONS", "",
                                       "outGSF.pdf", "DO_NOT_EVALUATE")
    
    # Use Summary Statistic tool to get the Mean of variables used to group
    # Process: Summary Statistics
    SumStat = arcpy.Statistics_analysis("outGSF.shp", "outSS", "Join_Count MEAN; \
                               VACANT_CY MEAN;TOTPOP_CY MEAN;UNEMP_CY MEAN", 
                                       "GSF_GROUP")
except:
    # If an error occurred when running the tool, print out the error message.
    print(arcpy.GetMessages())

Umgebungen

Ausgabe-Koordinatensystem

Die Feature-Geometrie wird vor der Analyse auf das Ausgabe-Koordinatensystem projiziert. Alle mathematischen Berechnungen basieren auf dem Raumbezug des Ausgabe-Koordinatensystems. Wenn das Ausgabekoordinatensystem auf Grad, Minuten und Sekunden basiert, werden geodätische Entfernungen mithilfe von Sehnenentfernungen geschätzt.

Zufallszahlengenerator

Der verwendete Zufallsgeneratortyp ist stets Mersenne Twister.

Lizenzinformationen

  • Basic: Ja
  • Standard: Ja
  • Advanced: Ja